计量相关问题解决办法

模型中引入虚拟变量的作用

1）分离异常因素的影响，例如分析我国GDP的时间序列，必须考虑“文革”因素对 国民经济的破坏性影响，剔除不可比的“文革”因素。

2）检验不同属性类型对因变量的作用，例如 工资模型中的文化程度、季节对 销售额的影响。

3）提高模型的精度，相当于将不同属性的样本合并，扩大了样本容量（增加了误差自由度，从而降低了误差方差）

控制变量不显著能不能删？

不能，

1.可能它是对y有影响的，只是被其他变量稀释掉了，

2.不显著不代表不会对其他参数估计带来影响（内生性），使得估计量是有偏的

如果出现大部分的控制变量都不显著，应该考虑多重共线性的问题，出现多重共线性的现象（VIF R^2值很高，F检验显著）

内生性产生的原因

1 遗漏变量误差

2 选择性偏差：自选择偏差是指解释变量不是随机选择的结果

人为或非随机的因素影响力我们的样本选择

3互为因果（双向因果）

4其他：测量误差、动态面板等

如何解决内生性

1、工具变量法——非常强大，可以解决所有导致内生性的影响因素

缺点：IV工具变量可遇而不可求

工具变量需要满足两个比较矛盾的条件——相关性与外生性，即1.工具变量必须和内生解释变量（x）强相关 2.工具变量跟随机扰动项不相关（外生性）

2. 面板数据固定效应模型：

固定效应模型：部分解决遗漏变量带来的内生性问题

面板数据：多个个体，多个时间点的观测数据

为什么只是部分解决遗漏变量？

如果我们遗漏的变量随时间而变化，我们的固定效应模型就没办法解决这个问题了

此外还有一个问题是，如果感兴趣的是恰好是不随时间而变化的量，固定效应模型无法估计出变量系数。

3. 倾向性得分匹配（PSM）:解决样本选择带来的内生性问题

条件独立假设：

共同支撑条件：

4. Heckman两阶段回归——解决样本选择带来的内生性问题

稳健性检验：

改变自变量、因变量的度量方式

改变模型是否仍然显著（例如换成Tobit\Probit模型，例如加入滞后项的动态面板模型等等）

改变样本是否仍然显著（例如不缩尾的样本是否显著，例如剔除出金融危机、股灾的样本后是否仍然显著等）

考虑内生性问题的解决方案都可以加入稳健性检验中

什么叫估计量的无偏性，一致性与有效性？

样本的平均值近似的服从正态分布，对样本的均值的平均值再求一次均值的话会等于总体的均值，就是无偏估计量，不相等就是有偏估计量

方差——有效性

方差越小，说明其是越有效的

有效性与无偏性可能需要取舍

一致性：随着抽样样本数增加，方差会慢慢依概率收敛到真实的值

一致性最重要，最基本的要求，内生性是保证OLS为一致估计量的重要条件

如何判断是否具有多重共线性

1初步判断：如果回归后的拟合优度和F统计量很大，但模型中应当显著的变量不显著或者没有一个变量是显著的，甚至参数估计量的正负号发生了改变，可能初步判定存在多重共线性。

2进一步可以用逐步回归法，方差膨胀因子VIF来检验，一般情况下VIF大于5就表明存在较为严重的多重共线性，利用条件数来判断，如果条件数小于30，表明不存在共线性，在30到100之间表明存在一定程度的多重共线性，但不会对模型的回归与解释产生影响，如果高于100则表明存在严重的多重共线性。

缩尾处理在计量经济学中的作用是什么？

其实理论上没啥作用

第一个问题：如果对外生控制变量的缩尾还好，如果对Y进行缩尾，那么可能是把好模型变成了不好的模型。

计量经济学专门有一个方法叫截断回归，就是处理Y>U的时候数据不可见问题的，因为这个时候回归的结果是有偏的。

如果对Y进行缩尾，那么久人为的创造了一个理论上就有问题的模型，你不能拿一个错误模型的结果反过来印证正确模型的结果是正确的。

其次，一个对缩尾处理的常见理由是处理异常值，

缩尾处理只能把第一种情况的“异常值”去掉，然而对这个回归而言，这个点虽然不管是X还是Y都超出了绝大多数数据的范围，但是并不算“异常”

而第二种情况，这个异常值不管在X还是Y的分布上，都看起来“异常”，至少其仍然处于比较正常的X和Y的分布范围内，但这个数据对于回归曲线斜率的影响是很大的。

第二种情况才是我们需要担心的异常值。

但是缩尾处理并不管用。

当然，作为稳健性检验还是靠谱的，但是需要知道的是，如果按照缩尾处理的结果没有问题不代表就没有异常值问题；但是按照缩尾处理结果如果不稳健，倒过来说也的确很有可能会有异常值问题。

所以作为稳健性检验，缩尾处理后结果稳健性并不是说就没有问题。